描述
內容簡介
| 市面上談 AI Agent 的書多半停在「把工具接上模型」這一步，跑得動就算成功；這本書的起點恰恰是那之後的問題，當任務長到一次對話裝不下、當上下文被工具結果塞爆、當 Agent 需要連續工作好幾十輪，該怎麼設計。
本書把 Deep Agents 的四個核心設計（規劃、檔案系統、子代理人、上下文管理）逐一拆解，每一個都給出可執行的程式與實測數字：待辦清單帶進來的兩段提示長什麼樣、工具結果外移的門檻設在哪裡、漸進式揭露到底省下多少上下文、平行委派時哪些東西共用哪些隔離。 難得的是它不迴避失敗，書裡有大量「它答錯的地方」「第一次失敗」「上限撞到的時候」這類小節，把模型會編造數字、會被提示注入、會在沒有驗收標準時交出跑不動的程式，都攤開來寫。 後段的四個完整專案（程式開發、銀行業務、客服工單、維運）更是少見地把稽核軌跡、個資遮蔽、對抗性測試、併發下的漏洞一併處理，最後一章直接列出從能執行到能交付的差距清單與十項上線檢查。 對想把 Agent 真正放進生產環境的開發者，這本書補足的正是最不好看、卻決定成敗的那一段。
【內容重點】 ►比較工作流程型、ReAct、規劃執行、反思、多代理人五種 Agent 架構。 ►指出淺層 Agent 的極限，提出 Deep Agents 的四個核心設計。 ►用 uv 建可重現環境：pyproject 欄位、金鑰存放原則、驗證腳本。 ►一份程式三種後端：雲端 NIM、DGX Spark 的 Qwen、macOS 本機模型。 ►create_deep_agent 的參數、內建中介層，與三種執行方式。 ►工具設計：參數 schema、輸入驗證、錯誤轉成模型訊息、自我修正。 ►檔案系統五種 backend：State、Filesystem、LocalShell、Store、Composite。 ►上下文工程實測：待辦規劃、工具結果外移、摘要門檻、提示快取。 ►Skills 機制：一個目錄一個技能，漸進式揭露只注入清單而非全文。 ►子代理人委派：上下文隔離、自訂 SubAgent、平行執行時檔案共用。 ►七個應用：研究、資料分析、RAG、程式開發、多模態、MCP、模型路由。 ►產品化四關：人工核准、權限沙箱、記憶持久化、容器化與上線檢查。 |
作者簡介
| 胡嘉璽
研究領域為LLM、Vibe Coding、Context Engineering、量子電腦、容器。喜歡旅遊、重訓、天文、物理、美食、爵士樂及貓咪。 聯絡方式：github/joshhu |
目錄
| ◤第1 篇 基礎安裝與觀念◢
▍第1 章 Agent 與Deep Agents 1-1 什麼是Agent 1-2 Agent 的架構 1-3 什麼是Deep Agents 1-4 LangChain 生態分層 1-5 全書專案與環境 1-6 本章小結
▍第2 章 可重現的開發環境 2-1 Python 與套件管理 2-2 專案結構與設定 2-3 金鑰與敏感資訊 2-4 第一個可執行專案 2-5 本章小結
▍第3 章 接上第一個模型 3-1 Chat Model 與工具呼叫 3-2 雲端模型與 DGX Spark 端點 3-3 結構化輸出 3-4 模型替換與相容性 3-5 本章小結
▍第4 章 macOS 上的本機模型 4-1 Ollama 4-2 LM Studio 4-3 MLX 與 mlx-lm 4-4 選擇與比較 4-5 本章小結
◤第2 篇 Deep Agent 的組成◢
▍第5 章 建立第一個Deep Agent 5-1 建立 Deep Agent 5-2 系統提示與任務輸入 5-3 同步、非同步與串流 5-4 執行結果與錯誤處理 5-5 本章小結
▍第6 章 設計可控的工具 6-1 工具的介面 6-2 輸入驗證 6-3 工具錯誤 6-4 外部服務工具 6-5 本章小結
▍第7 章 Agent 的檔案系統與 backend 7-1 檔案工具與 backend 協定 7-2 StateBackend 7-3 FilesystemBackend 與LocalShellBackend 7-4 StoreBackend 與長期資料 7-5 CompositeBackend 7-6 本章小結
▍第8 章 規劃與上下文工程 8-1 上下文裡有什麼 8-2 待辦清單與長任務規劃 8-3 把大量內容移出對話 8-4 摘要與對話歷史 8-5 提示快取與設計準則 8-6 本章小結
▍第9 章 Skills 與可重用能力 9-1 技能的組成與格式 9-2 漸進式揭露 9-3 多個來源與存放位置 9-4 技能裡的腳本 9-5 什麼時候該寫技能 9-6 本章小結
▍第10 章 子代理人與任務委派 10-1 委派的介面與上下文隔離 10-2 自訂子代理人 10-3 掛一個編好的 Agent 10-4 平行執行與共用狀態 10-5 本章小結
◤第3 篇 應用實作與整合◢
▍第11 章 從零組一個研究 Agent 11-1 搜尋與擷取工具 11-2 研究員子代理人 11-3 完整的研究 Agent 11-4 產出、驗證與限制 11-5 本章小結
▍第12 章 資料分析 Agent 12-1 資料不進上下文 12-2 把程式送到資料旁邊 12-3 一次完整的分析 12-4 驗證與界線 12-5 本章小結
▍第13 章 文件問答與 RAG 13-1 文件解析與切分 13-2 三種檢索方式 13-3 把檢索接成工具 13-4 驗證與取捨 13-5 本章小結
▍第14 章 程式開發 Agent 14-1 程式碼專案的探索 14-2 修改檔案的兩種方式 14-3 偵錯迴圈 14-4 審查與交付 14-5 本章小結
▍第15 章 多模態與內容產製 15-1 影像與多模態輸入 15-2 語音、影音與工具化 15-3 內容產製流程 15-4 本機多模態的界線 15-5 本章小結
▍第16 章 Model Context Protocol 16-1 MCP 的角色 16-2 多出來的失敗方式 16-3 認證與權限 16-4 測試與維護 16-5 本章小結
▍第17 章 多模型路由與替換 17-1 三層後端與分流 17-2 失敗時的備援 17-3 模型專用的中介層 17-4 基準測試 17-5 本章小結
◤第4 篇 安全與持久化◢
▍第18 章 人工核准 18-1 中斷與檢查點 18-2 核准、編輯與拒絕 18-3 敏感操作分級 18-4 CLI 審核流程 18-5 本章小結
▍第19 章 權限與沙箱 19-1 檔案權限規則 19-2 工作區隔離 19-3 本機與遠端沙箱 19-4 提示注入與資料外洩 19-5 本章小結
▍第20 章 記憶與持久化 20-1 短期與長期記憶 20-2 使用者與 Agent 範圍 20-3 記憶更新策略 20-4 多使用者資料隔離 20-5 本章小結
◤第5 篇 完整應用與產品化◢
▍第21 章 程式開發 Agent 21-1 需求與架構 21-2 讓它自己修 21-3 子代理人分工 21-4 讓過程看得見 21-5 沒有驗收標準的時候 21-6 本章小結
▍第22 章 銀行業務 Agent 22-1 需求與限制 22-2 查詢與個資 22-3 風險規則與人工核准 22-4 稽核軌跡 22-5 對抗性測試 22-6 命令列介面 22-7 併發下的漏洞 22-8 本章小結
▍第23 章 客服工單 Agent 23-1 需求與資料 23-2 檢索與訂單查詢 23-3 多輪對話 23-4 升級判斷 23-5 兩種介面 23-6 界線與成本 23-7 本章小結
▍第24 章 維運 Agent 24-1 需求與資料 24-2 從告警查到根因 24-3 危險處置的把關 24-4 事故報告 24-5 界線與量測 24-6 本章小結
▍第25 章 把 Agent 推上正式環境 25-1 從能執行到能交付 25-2 容器化 25-3 狀態要放哪裡 25-4 容量與成本 25-5 上線檢查與監測 25-6 換成自己的領域 25-7 本章小結
▍附錄A 安裝與環境速查 A-1 專案與相依套件 A-2 模型後端 A-3 環境變數與金鑰 A-4 常見的安裝問題 A-5 速查指令
▍附錄B API 與設定速查 B-1 建立 Agent B-2 工具 B-3 執行與串流 B-4 狀態與中斷 B-5 中介層與上限 B-6 模型與結構化輸出
▍附錄C 模型與方案比較 C-1 模型後端 C-2 本機推論的三個工具 C-3 狀態儲存 C-4 防線的性質 C-5 容量與成本 C-6 選型建議
▍附錄D 疑難排解與安全清單 D-1 安裝與環境 D-2 執行期的錯誤訊息 D-3 沒有錯誤訊息的失敗 D-4 效能與資源 D-5 安全檢查清單 D-6 檢查要寫成程式 |
序
| AI Agent 在今年大爆發，每個人應該早就在自己的電腦中裝上了Claude Code 或是Codex 這一類的Coding Agent， 或是OpenClaw/Hermes Agent 這一類的Computer Agent。在大量使用了這一類的Agents 之後，我一直想了解這些Agents 背後的原理是什麼，而了解最快的方式就是自己手動建立一個Agent。
目前市面上手動建立Agent 的套件不多，你很可能需要依賴不同AI 廠商的SDK來完成， 如OpenAI 或Anthropic。這一類SDK 功能強大但相容性非常差，只能依賴於這個AI 廠商的LLM。如果你希望建立個類似Pi Agent 這樣通用的Agent，除非自己手刻，要不然選擇真的很少。而LangChain 推出的Deep Agents，大概就是你能選擇的極少數選擇之一。 隨著Agent 的流行，我們一般人用的Claude Code 或Codex 是無法滿足廣大企業的專業用途的。遲早你必須面對企業自己的工作流來撰寫特定的Agent。企業工作流十分注重隱私，大部分的情況很可能使用地端模型。隨著開放權重模型功能越來越強大，將模型LLM 放入公司的私有雲或區域網將會是主流。而LLM 被限制在安全的邊界之後，如果還使用商用的Claude Code/Codex 或開源的通用Pi/Opencode 是無法滿足企業需求的，這時候你勢必要開發自己的Agent。 Deep Agents 可以讓你快速完成這個目標。我們都知道一個Agent 就分成兩部分，LLM 和Harness， 而Deep Agents 是LangChain 推出的開源Agent Harness， 套件名稱為deepagents， 設計的目標是長時間執行的任務。Agent Harness 指的是一種已經內建工具與預設能力的Agent 框架。你不必自己從迴圈、提示組裝、工具執行這些基礎開始寫，安裝完成之後該有的功能就都在裡面了。deepagents 替你處理三件最麻煩的事，也就是規劃、上下文管理，以及多個Agent 之間的協調。 一個完整的Agent 至少有十幾個元件，但有了Deep Agents 之後，你不需要每個元件都自己手動撰寫。本書的目的，雖然希望讀者了解每一個Agent 元件的功能，但真正實作時，反而將這些工作交給Deep Agents 的功能即可。每一個章節都會說明一個元件的概念及實作，只要照著書本的順序讀完，一個完整的Agent 就自然而然產生了。 Deep Agents 有一個非常重要的觀念，就是對模型供應商保持中立，而且可以設定功能非常完整。你可以使用雲端、地端模型，更換模型不必改寫Agent 的結構。狀態存在記憶體、SQLite 還是資料庫都可以由你決定。需要人工核准的動作可以隨時插進流程裡。追蹤與部署則直接對接LangChain 自家的LangSmith。LangChain 一共有三個框架，選擇哪一個視任務的性質。任務複雜、沒有固定流程而且會執行很久，可以使用Deep Agents，需要低階控制，自己定義每一個節點與轉移，則用LangGraph，如果想快速做出一個標準的Agent，則使用LangChain。 就像所有的產業一樣，在經過推廣及導入期，進入普遍的高原期之後，垂直化的市場必將出現，針對不同產業的專用Agent 將會充斥在軟體世界中，會自行開發通用Agent，對未來軟體工程師的競爭力大幅提升，而Deep Agents 就是你進入這個爆發產業的第一關，也相信在熟悉Deep Agents 之後，就算不開發自己的Agent，你也會對使用現在的Agent 更加了解，也希望這本書能給你帶來相當大的幫助。 胡嘉璽 2026/09/01 |
